HTMT vs Fornell-Larcker: guía de validez discriminante

Andrzej Szymkowiak · Última revisión: junio de 2026

Un revisor acaba de escribir: "Demuestra que tus constructos son distintos." Aquí está exactamente cómo hacerlo, y qué prueba usar. La validez discriminante plantea una pregunta sencilla: ¿son dos constructos de tu modelo realmente diferentes entre sí? Si dos factores son casi lo mismo, tu modelo tiene un problema. Durante años, los investigadores comprobaban esto con el criterio de Fornell-Larcker. Hoy, la mayoría de los revisores prefieren el ratio HTMT. Esta guía explica ambos métodos en lenguaje sencillo, muestra los puntos de corte correctos, y te ayuda a decidir cuál reportar.

Qué significa la validez discriminante

Supón que mides "confianza" y "satisfacción" con ítems de encuesta (para ayuda eligiendo escalas validadas, consulta cómo encontrar una escala validada). La validez discriminante se respalda cuando los ítems de confianza se agrupan como confianza, los ítems de satisfacción se agrupan como satisfacción, y los dos factores son claramente distintos. Si la confianza y la satisfacción correlacionan casi perfectamente, puede que estés midiendo un solo constructo bajo dos nombres. Normalmente compruebas esto justo después de confirmar el modelo de medición de tu CFA.

Método 1: El criterio de Fornell-Larcker

El criterio de Fornell-Larcker (Fornell & Larcker, 1981) compara la varianza de cada factor en sus propios ítems con la varianza que comparte con otros factores.

La regla: para cada factor, la raíz cuadrada de su AVE debe ser mayor que su correlación con cada uno de los demás factores.

• El AVE (average variance extracted) es la cantidad de varianza que un factor explica, en promedio entre sus ítems. El AVE debería ser ≥ .50 (Fornell & Larcker, 1981; Hair et al., 2019).
• Tomas la raíz cuadrada de cada AVE y la pones en la diagonal de la tabla de correlaciones entre factores.
• Fuera de la diagonal pones las correlaciones entre factores.
• Para la validez discriminante, cada valor de la diagonal debe ser mayor que los otros valores de su fila y su columna.

Ejemplo resuelto. Confianza tiene AVE = .64, así que √.64 = .80. Satisfacción tiene AVE = .58, así que √.58 = .76. La correlación entre confianza y satisfacción es .55. Como .80 y .76 son ambos mayores que .55, se cumple el criterio de Fornell-Larcker.

Método 2: El ratio HTMT

HTMT significa heterotrait-monotrait ratio of correlations (Henseler, Ringle, & Sarstedt, 2015). En palabras sencillas, compara la correlación media de los ítems entre dos factores diferentes con la media geométrica de las correlaciones medias de los ítems dentro de cada uno de los dos factores (no una sola media intrafactorial). Si los ítems correlacionan casi tan fuerte entre factores como dentro de su propio factor, los factores no son distintos.

La regla:

• HTMT < .85 respalda la validez discriminante (umbral estricto).
• HTMT < .90 es un umbral más liberal, usado cuando los dos constructos son conceptualmente cercanos.
• Un valor igual o superior a .90 señala un problema de validez discriminante.

También puedes probar si el intervalo de confianza del HTMT (a partir de bootstrap) incluye 1. Si no incluye 1, se respalda la validez discriminante. Una versión más estricta prueba si el límite superior se mantiene por debajo del umbral (por ejemplo, .85 o .90) en lugar de solo por debajo de 1 (Franke & Sarstedt, 2019).

Ejemplo resuelto. Para confianza y satisfacción, el valor de HTMT es .74. Como .74 está por debajo del punto de corte estricto de .85, se respalda la validez discriminante. Un intervalo de confianza bootstrap de [.61, .83] no incluye 1, lo que confirma el resultado.

Por qué ahora se prefiere HTMT

Los estudios de simulación mostraron que el criterio de Fornell-Larcker a menudo no detecta una falta de validez discriminante, especialmente cuando las cargas de los indicadores dentro de un constructo varían solo un poco. En esos casos, Fornell-Larcker dice "todo bien" cuando los constructos en realidad son demasiado similares. HTMT detecta estos problemas de forma mucho más fiable (Henseler, Ringle, & Sarstedt, 2015). Por eso muchas revistas y revisores piden ahora HTMT.

Comparación lado a lado

¿Cuál deberías reportar?

Reporta HTMT como tu evidencia principal, porque es la prueba más fuerte y los revisores cada vez la esperan más. También puedes incluir la tabla de Fornell-Larcker, ya que muchos lectores todavía la conocen bien. Reportar ambos es seguro y común en los artículos actuales. Sea cual sea tu elección, indica el umbral que usaste y muestra los valores, idealmente en una tabla.

Una frase APA breve:

La validez discriminante se evaluó con el ratio HTMT. Todos los valores de HTMT estuvieron por debajo del umbral estricto de .85 (máximo = .74), y ningún intervalo de confianza bootstrap incluyó 1, lo que respalda la validez discriminante.

Qué hacer cuando el HTMT es demasiado alto

Un HTMT alto (igual o superior a tu umbral) no siempre significa que debas eliminar un constructo. Primero, comprueba si los dos constructos son conceptualmente cercanos — si lo son, el umbral más liberal de .90 puede ser defendible, y deberías decir por qué. Luego, inspecciona los ítems: un solo ítem que carga de forma cruzada o comparte redacción con otro factor puede inflar el HTMT, y reescribirlo o eliminarlo (con una razón declarada) puede ayudar. Si dos factores siguen solapándose mucho, considera si en realidad son un solo constructo, o si un factor de orden superior los explica a ambos. Ejecuta la prueba de inferencia bootstrap (Franke & Sarstedt, 2019) para ver si el límite superior de confianza supera el umbral; una estimación puntual justo por encima de la línea con un intervalo de confianza que se mantiene por debajo cuenta una historia distinta de un fracaso claro. Sea lo que sea que decidas, reporta el cambio y el razonamiento, no solo la tabla final limpia. Para una guía completa paso a paso — diagnóstico, la prueba de bootstrap y las correcciones que superan la revisión — consulta HTMT por encima de 0.90: qué hacer.

Errores comunes que conviene evitar

• Reportar solo Fornell-Larcker cuando la revista espera HTMT.
• Tratar .85 y .90 como intercambiables sin decir cuál usaste y por qué.
• Saltarte la comprobación del AVE — ambos métodos asumen AVE ≥ .50.
• Leer el intervalo de confianza del HTMT solo frente a 1, cuando una prueba más estricta compara el límite superior con el umbral.
• Añadir un cero a la izquierda a HTMT, AVE o correlaciones (escribe .74, no 0.74).

Una nota sobre el AVE

Ambos métodos dependen del AVE, así que asegúrate primero de que el AVE de cada factor sea ≥ .50 (Fornell & Larcker, 1981; Hair et al., 2019). Si el AVE está por debajo de .50, el factor no explica, en promedio entre sus ítems, ni la mitad de su varianza, y es difícil afirmar la validez discriminante sin importar qué método uses.

Preguntas frecuentes

References

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312

Franke, G., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing: A comparison of four procedures. Internet Research, 29(3), 430–447. https://doi.org/10.1108/IntR-12-2017-0515

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8

Cómo Explonia hace esto por ti

Explonia calcula tanto el HTMT como la tabla de Fornell-Larcker a partir de tu modelo de CFA o PLS-SEM, junto con el AVE — y, en PLS-SEM, los intervalos de confianza bootstrap para el HTMT. Marca cualquier valor por encima del umbral que elijas (.85 o .90) para que detectes problemas de un vistazo. La función "Article description" redacta una frase APA con tus números reales, que luego editas y conservas como propia. Puedes exportar las tablas a Word, R, SPSS/.sav, AMOS o LaTeX. Si actualmente usas SmartPLS para PLS-SEM, consulta cómo se compara Explonia con SmartPLS. Aprende más sobre nuestros métodos de HTMT.

¿Quieres comprobar la validez discriminante en minutos? Ejecuta HTMT y Fornell-Larcker en Explonia y obtén una frase de resultados lista para editar. Empieza gratis →